看得见遥远星系，却看不见眼前的银河：AI 如何破解诺奖望远镜的难题？

2026 年 10 月 6 日，82 岁的物理学家弗朗西斯·哈尔岑（Francis Halzen）独得诺贝尔物理学奖。

这份荣誉背后，是一个他推动了数十年的大胆构想：在南极冰盖下埋入 5160 个光学传感器，把整整一立方公里的冰，变成一台巨型望远镜，去看一种几乎能穿透一切的幽灵粒子：中微子。

就在你阅读的这一秒钟，就有上百亿个来自太阳的中微子穿过你的身体，却不留下任何痕迹。哈尔岑主导建造的冰立方中微子天文台 （IceCube） ，就是在南极深冰中守候， 等待偶尔有中微子撞上冰中的原子，激起一闪微弱的蓝光，被传感器记录下来。

2013 年，IceCube 首次捕捉到来自宇宙深处的高能中微子。除了光，人类又多了一种接收遥远宇宙消息的方式。这正是哈尔岑获奖的核心贡献。

然而，收到宇宙的来信只是第一步。真正困难的是读懂它。

哈尔岑曾这样形容中微子的天空：我们看得见其他星系，却看不见自己的银河。IceCube 后来陆续把一些中微子追溯到数千万乃至数十亿光年外的活动星系，却迟迟无法确认来自银河系本身的高能中微子。这实在有些不可思议：银河系中心离我们只有约 2.6 万光年，按照已有理论，银河系里的高能宇宙线不断撞击星际气体，本就应该产生中微子。几十亿光年外的信号都能捕捉，为什么近在眼前的银河，反倒最难看见？

转机出现在 2023 年。IceCube 团队借助深度神经网络和统计推断，重新分析了十年的观测数据，首次获得银河系高能中微子辐射的有力证据，在《Science》上发表了人类第一张以中微子为信使的银河图像。哈尔岑获奖后在都灵的记者会上谈到这项工作：“借助机器学习技术，我们终于开始在数据中辨认出银河系。”

▲ 法新社报道（AFP）

人类是如何从八千多亿次闪光中，认出来自银河的微弱信号？

一场地狱级的数据挑战

为什么偏偏看不见银河？

先说信号本身。哈尔岑在 2023 年说过：与任何波段的光都不同，在中微子的天空里，遥远的宇宙比我们银河系里的近邻源更亮。按论文估计，银河系贡献的中微子只占全部天体中微子的一成左右，而且沿着银盘弥散分布，不像遥远星系那样集中在一个点上。信号本来就弱，又被摊薄在一大片天空里。

再看干扰。宇宙线不断撞击地球大气，产生大量 μ 子（Muon）和大气中微子。这些 μ 子像一场永不停歇的粒子暴雨，从天空涌入南极冰层，同样会让冰发光，留下与中微子相似的信号。十年里，IceCube 被触发了约 8500 亿次，最后进入银河分析的事件不到 6 万个，也就是大约每一千四百万次触发才留下一个。

为了挡住这场 μ 子暴雨，科学家把地球当成了一张天然的过滤网。μ 子穿不透地球，中微子却几乎畅通无阻。所以，只要专看从脚下穿越地球而来的信号，μ 子就被挡在了另一侧，剩下的几乎全是中微子。靠这一招，IceCube 把北半边的天空看得相当清楚。

可银河系中心偏偏在南天。从南极点看，它始终悬在地平线以上，来自那里的中微子和 μ 子一样从头顶进入探测器，地球这张网派不上用场。银河离我们很近，却偏偏落在最不利的方向上。

挡不住干扰，就只能换一种信号。中微子在冰里留下的光痕主要有两种：一种是细长的轨迹，像流星划过夜空，方向一目了然，可 μ 子留下的也是轨迹；另一种是向四周扩散的级联，像浓雾里突然亮起的一盏灯。如果光是从探测器里面亮起，而不是从外面穿入的，就可以基本排除外来的 μ 子。

代价是方向。光朝四面八方散开，冰又会把它进一步打散，很难看出粒子从哪里来。于是陷入一个两难：轨迹看得清方向，却分不清背景；级联分得清背景，却看不清方向。正因为这个困境，此前一项基于七年数据的级联研究，只留下 1,980 个候选事件，没能确认银河的信号。

神经网络要闯的正是这两关：从海量背景中留下更多级联，再从一团模糊的光里认出它的来向。

神经网络怎么让银河显形？

第一关：从海量干扰中挑出中微子

想象一座仓库堆满了数百万个包裹，你要找的只有极少数。包裹上没有寄件人，只能看重量、尺寸和外包装。传统做法是定一套严格的规则：重量不在范围内、包装不合标准，就直接丢掉。这样筛得快，却容易误伤目标。筛得太松，干扰混进来；筛得太严，真信号也一起丢了。

IceCube 过去也是这样：靠人工设定的几条规则筛选事件。可中微子和 μ 子的光信号有时极其相似，几条规则根本分不清。深度神经网络换了一种思路：不再由人规定什么样的信号算中微子，而是让网络从大量模拟事件中，自己学出差别。研究人员用物理模拟生成训练数据，每个模拟事件的真实类型都是已知的。网络根据自己的判断与正确答案之间的差距，不断调整内部权重。

要分清两种事件，看单个传感器说明不了什么，关键是许多传感器一起亮起的样子：一串相邻传感器依次亮起，勾勒出的是粒子穿行的路径；若光先在内部一处聚集、再向四周扩散，则是一次级联。在网络眼里，每次触发都像一张三维图片：传感器是像素，记录着光的强弱与先后。卷积神经网络（CNN）识别照片时，先从相邻像素中提取边缘和纹理，再逐层组合成复杂的形状；面对 IceCube 的数据，它用同样的方式，从相邻传感器之间读出光的结构。

唯一的不同是，IceCube 的传感器不是排成方格，而是排成三角格子，每根探测缆有六个邻居。研究人员干脆把这种排列写进卷积核，让网络只看真正相邻的六根缆。这叫归纳偏置（Inductive Bias）：已经知道的结构，就不必让网络从头去学。

算力是另一个难题。触发太多，不可能让大模型逐个细看。研究人员用了一种类似机场安检里快检+精检的分级筛查机制：先用一个小而快的 CNN 过一遍，每个事件只需约 1 毫秒，就能再去除约 99.92% 的大气背景，同时保住一半以上能量高于 500 GeV 的信号；剩下的少数，再交给更大的网络和决策树细审。真正巧妙的地方就在这里：绝大多数无关数据尽早出局，算力只留给最值得细看的事件。

最终，十年数据中留下了59,592 个候选事件，是此前七年研究的三十倍。但是，事件数量多了，却仍然看不清它们各自的方向。

第二关：从一团散射光中找出来向

先想象池塘里漂着几千个浮标。有人往水里扔了一颗石子，你没看见落点，只看到浮标先后晃动：有的早，有的晚，有的剧烈晃动，有的几乎不动。仅凭这些记录，怎么判断石子落在哪里？IceCube面对的正是这样的问题。传感器就是浮标，记录着光到达的时间和强度；可冰中的尘埃会不断散射、吸收光线，让原本携带的方向信息变得模糊。科学家只能从这些记录出发，反推中微子的方向和能量。

解决这类反推问题，统计学有一件趁手的工具：极大似然估计（MLE）。先猜一组参数（位置、方向、能量），算出这样一个事件应该在每个传感器里留下多少光，再和实际记录比较；对不上就调整参数，直到找到最吻合的一组。但令人头疼的是计算量。MLE 每调整一次参数，都要重新模拟一遍光子在冰中的传播、散射和吸收，几万个事件反复试下来，代价极高。

神经网络为这场漫长的计算提供了一条捷径。研究团队采用的Event-Generator方法，是让另一个神经网络直接给出「预期的光信号」。研究人员用大量物理模拟训练它，就像反复观察石子落在不同位置时浮标如何晃动，让网络学会事件参数与传感器响应之间的对应关系。训练完成后，输入一组假设参数，网络立刻给出预期的传感器响应，不必再做一遍物理模拟。分工很清晰：神经网络负责快速预测光信号，极大似然估计负责反复比较，找出最符合实际观测的参数。

过去，每提出一种猜测都要进行复杂的物理模拟；如今，神经网络已经学会近似这项计算，让科学家能够更快地检验新的可能。

不过，单个事件仍然存在方向误差，近六万个候选事件中也混杂着大量背景噪声。那么，科学家究竟如何确定，这些模糊的信号真的来自银河，而不是随机噪声制造的巧合？

如何证明这不是巧合？

答案是：不去确定每一个中微子来自哪里，而是检验它们作为整体，是否符合银河的形状分布。

科学家手里其实有一张可以对照的「地图」：NASA 的费米望远镜早已画出银河的伽马射线天图。据此就能预测：如果是银河在发射中微子，它们应该集中在天空的哪些地方。接下来再把 IceCube 每个事件的方向、能量和误差逐一与这张地图比较，看数据里有没有一个「长得像银河」的信号。

结果确实对上了。可近六万个事件里，就算没有银河信号，随机噪声会不会也能碰巧拼出类似的形状？研究人员决定继续做一件巧妙的事：亲手造出一批「没有银河的宇宙」。这种做法叫作赤经随机化（Right Ascension Scrambling），通俗地说，就是把真实的天空打乱，看看随机背景能不能伪装成银河。IceCube 位于南极点，随着地球自转，它看天空的能力只和仰角有关，和东西方向无关。于是，研究人员把每个事件的东西方向（赤经）随机打乱，仰角保持不动：背景的特征原样保留，与银河的对应关系却被彻底抹去。这样，就得到了一张张由真实观测造出来的「假天空」。反复打乱成千上万次，研究人员就能知道：如果根本没有银河信号，单靠随机背景，有多大可能凑出和真实天空一样强的吻合。最终答案是：极其罕见。真实数据与银河模型的关联，达到了4.5σ的统计显著性。这意味着碰巧得到如此极端或更极端结果的概率，约为二十七万分之一 ，即当前科学家看到的结果，极不可能仅是由随机波动导致的。

2023 年，这项研究发表于《Science》。IceCube 首次获得了银河系高能中微子辐射的有力证据，人类也终于拥有了第一张中微子视角下的银河图像。它不像传统天文照片那样清晰：我们仍然无法确定每个中微子的具体来源，也不能从中直接辨认出一颗颗恒星或独立天体。但大量方向模糊的事件汇集起来，已经呈现出与银河系高能辐射分布相符的统计规律。

单个事件无法回答的问题，最终由数万个事件共同给出了答案。

算出来的银河，还算“看见”吗？

不过，这也引出了一个更深的问题：既然这张银河图并非直接拍摄，而是通过物理模型和统计推断得到的，我们凭什么相信它描绘的是真实宇宙，而不是算法制造的幻象？

不妨看看医学中的 CT 成像。CT 并不是把相机伸进人体内部拍照，而是从不同方向发射 X 射线，测量射线穿过身体后的强弱变化，再通过数学算法重建内部结构。为什么我们仍然相信这些图像？因为射线如何穿过不同组织，有明确的物理规律；重建结果必须符合真实测量，也能够经过校准和独立验证。

IceCube 也是如此。它不是直接拍到银河，而是记录了粒子在南极冰中留下的微弱光信号，再通过物理模型重建方向，通过统计检验这些信号，最终辨认出了与银河系高能辐射分布相符的信号。从射电望远镜到引力波探测器，科学家一直在通过仪器测量与数学计算，还原肉眼无法直接看见的现象。

结语

IceCube 的突破也展示了 AI for Science 正在兴起的一种新研究范式：从物理规律出发，借助机器学习突破计算与数据的瓶颈，通过统计推断建立可信的科学证据。

那些来自银河深处的中微子，早已在南极冰层中留下痕迹。但过去难以区分的信号终于被识别出来。科学发现的边界，并不完全由仪器的能力决定，也取决于我们能够从观测中提取多少信息。

人类花了几十年建造一台足够庞大的望远镜，终于能够接收来自宇宙的消息。又通过多年积累的物理知识与算法进步，从海量模糊的记录中，辨认出了银河写下的内容。宇宙从未停止寄来消息，有些答案早已抵达，只是我们才终于学会如何读懂。

end

参考资料：

[1] Royal Swedish Academy of Sciences. (2026). The Nobel Prize in Physics 2026. 诺贝尔物理学奖官方新闻稿

[2] IceCube Collaboration. (2023). Observation of high-energy neutrinos from the Galactic plane. Science, 380, 1338–1343.

https://doi.org/10.1126/science.adc9818

[3] IceCube Collaboration. (2021). A convolutional neural network based cascade reconstruction for the IceCube Neutrino Observatory. Journal of Instrumentation, 16, P07041.

https://arxiv.org/abs/2101.11589

[4] Sclafani, S., & Hünnefeld, M. (2023). Observation of high-energy neutrinos from the Galactic plane. Proceedings of ICRC 2023.

https://arxiv.org/abs/2307.14842

[5] IceCube Collaboration. Event-Generator: Simulation-Based Reconstruction of IceCube Events.

https://user-web.icecube.wisc.edu/~mhuennefeld/docs/event_generator/html/pages/about.html

[6] IceCube Collaboration. (2023). Our Galaxy Seen Through a New Lens: Neutrinos Detected by IceCube.

https://icecube.wisc.edu/news/press-releases/2023/06/our-galaxy-seen-through-a-new-lens-neutrinos-detected-by-icecube/

[7] IceCube Collaboration. (2023). Observation of High-Energy Neutrinos from the Galactic Plane — Public Data Release.

https://icecube.wisc.edu/data-releases/2023/06/observation-of-high-energy-neutrinos-from-the-galactic-plane/

来源：DataCafe

编辑：玛卡巴卡卟

转载内容仅代表作者观点

不代表中科院物理所立场

如需转载请联系原公众号